Solução de problemas

Saiba mais sobre as etapas de solução de problemas que podem ser úteis se você tiver problemas ao usar a Speech-to-Text.

Não é possível autenticar a Speech-to-Text

É possível que você receba uma mensagem de erro indicando que o "Application Default Credentials" está indisponível ou pode ser que você esteja se perguntando como ter uma chave de API para usar na Speech-to-Text.

A Speech-to-Text usa AS Application Default Credentials (ADC) para autenticação.

As credenciais das ADC precisam estar disponíveis no contexto em que você chama a API Speech-to-Text. Por exemplo, se você configurar as ADC no terminal, mas executar o código no depurador do ambiente de desenvolvimento integrado, o contexto de execução do seu código poderá não ter acesso às credenciais. Nesse caso, sua solicitação para a Speech-to-Text pode apresentar falha.

Para saber como fornecer credenciais às ADC, consulte Configurar as Application Default Credentials.

A Speech-to-Text retorna uma resposta vazia

Há vários motivos para a Speech-to-Text retornar uma resposta vazia. A origem do problema pode ser a RecognitionConfig ou o próprio áudio.

Resolver problemas RecognitionConfig

O objeto RecognitionConfig (ou StreamingRecognitionConfig) faz parte de uma solicitação de reconhecimento da Speech-to-Text. Existem duas categorias principais de campos que precisam ser definidas para executar uma transcrição corretamente:

  • configuração de áudio;
  • modelo e linguagem.

Uma das causas mais comuns de respostas vazias (por exemplo, receber uma resposta JSON {} vazia) é fornecer informações incorretas sobre os metadados de áudio. Se os campos de configuração de áudio não estiverem definidos corretamente, a transcrição provavelmente falhará e o modelo de reconhecimento retornará resultados vazios.

A configuração de áudio contém os metadados do áudio fornecido. É possível conseguir os metadados do arquivo de áudio usando o comando ffprobe, que faz parte do FFMPEG.

No exemplo a seguir, demonstramos o uso do ffprobe para receber os metadados de https://storage.googleapis.com/cloud-samples-tests/Speech/Commercial_mono.wav.

$ ffprobe commercial_mono.wav
[...]
Input #0, wav, from 'commercial_mono.wav':
  Duration: 00:00:35.75, bitrate: 128 kb/s
  Stream #0:0: Audio: pcm_s16le ([1][0][0][0] / 0x0001), 8000 Hz, 1 channels, s16, 128 kb/s

Com o comando acima, vemos que o arquivo tem:

  • sample_rate_hertz: 8000
  • canais: 1
  • codificação LINEAR16 (s16)

Você pode usar essas informações na RecognitionConfig.

Outros motivos relacionados a áudio para uma resposta vazia podem estar relacionados à codificação de áudio. Veja algumas outras ferramentas e coisas para tentar:

  1. Reproduza o arquivo e ouça o áudio. Ele está claro? A fala está compreensível?

    Para reproduzir arquivos, você pode usar o comando SoX (Sound eXchange) play. Alguns exemplos baseados em diferentes codificações de áudio são mostrados abaixo.

    Os arquivos FLAC incluem um cabeçalho que indica a taxa de amostra, o tipo de codificação e o número de canais. Eles podem ser reproduzidos da seguinte maneira:

    play audio.flac

    Os arquivos LINEAR16 não incluem cabeçalho. Para reproduzi-los, você precisa especificar a taxa de amostra, o tipo de codificação e o número de canais. A codificação LINEAR16 precisa ser 16 bits, de número inteiro assinado e little endian.

    play --channels=1 --bits=16 --rate=16000 --encoding=signed-integer \
--endian=little audio.raw

    Os arquivos MULAW também não incluem um cabeçalho e geralmente usam uma taxa de amostra menor.

    play --channels=1 --rate=8000 --encoding=u-law audio.raw

  2. Verifique se a codificação de áudio de seus dados corresponde aos parâmetros que você enviou em RecognitionConfig. Por exemplo, se sua solicitação for especificada, os parâmetros de dados de áudio "encoding":"FLAC" e "sampleRateHertz":16000, listados pelo comando SoXplay devem corresponder a esses parâmetros, da seguinte maneira:

    play audio.flac

    precisa listar:

    Encoding: FLAC
Channels: 1 @ 16-bit
Sampleratehertz: 16000Hz

    Se a lista do SoX mostrar um Sampleratehertz diferente de 16000Hz, altere o "sampleRateHertz" em InitialRecognizeRequest para corresponder. Se o Encoding não for FLAC ou o Channels não for 1 @ 16-bit, você não poderá usar esse arquivo diretamente e será necessário convertê-lo em uma codificação compatível (consulte a próxima etapa).

  3. Se o arquivo de áudio não estiver em codificação FLAC, tente convertê-lo para esse formato usando o SoX. Então, repita as etapas acima para reproduzir o arquivo e verificar a codificação, o sampleRateHertz e os canais. Estes são alguns exemplos de conversão de vários formatos de arquivos de áudio para a codificação FLAC.

    sox audio.wav --channels=1 --bits=16 audio.flac
sox audio.ogg --channels=1 --bits=16 audio.flac
sox audio.au --channels=1 --bits=16 audio.flac
sox audio.aiff --channels=1 --bits=16 audio.flac

    Para converter um arquivo RAW para FLAC, é preciso conhecer a codificação de áudio do arquivo. Por exemplo, para converter um arquivo estéreo de 16 bits little endian em 16.000 Hz para FLAC:

    sox --channels=2 --bits=16 --rate=16000 --encoding=signed-integer \
--endian=little audio.raw --channels=1 --bits=16 audio.flac

  4. Execute o exemplo do Guia de início rápido ou um dos Aplicativos de amostra com o arquivo de áudio de amostra fornecido. Quando o exemplo estiver sendo executado corretamente, substitua o arquivo de amostra de áudio pelo seu arquivo de áudio.

Configuração de modelo e linguagem

A seleção de modelos é muito importante para conseguir resultados de transcrição de alta qualidade. A Speech-to-Text fornece vários modelos que foram ajustados para diferentes casos de uso e precisam ser escolhidos para corresponder ao áudio. Por exemplo, alguns modelos, como latest_short e command_and_search, são modelos curtos, o que significa que são mais adequados para áudios e prompts curtos. Esses modelos provavelmente retornarão resultados assim que detectarem um período de silêncio. Modelos longos, por outro lado, como latest_short, phone_call, video and default, são mais adequados para áudios mais longos e não são tão sensíveis à interpretação do silêncio como o fim do áudio.

Se o reconhecimento terminar muito abruptamente ou não retornar rapidamente, convém verificar e testar outros modelos para ver se você consegue uma melhor qualidade de transcrição. É possível testar vários modelos usando a IU de fala.

Erros de tempo limite

Na maioria das vezes, esses problemas são causados por configuração incorreta ou uso indevido da Speech-to-Text.

LongRunningRecognize ou BatchRecognize

  • Problema:você recebe TimeoutError: Operation did not complete within the designated timeout.

  • Solução:é possível enviar uma transcrição para o bucket do Cloud Storage ou estender o tempo limite na solicitação.

Esse problema ocorre quando a solicitação LongRunningRecognize ou BatchRecognize não é concluída no tempo limite especificado e não é um erro que indica falha na transcrição de voz. Isso significa que os resultados da transcrição não estão prontos para extração.

StreamingRecognize

  • Problema:você recebe Timeout Error: Long duration elapsed without audio. Audio should be sent close to real time.

  • Solução:o tempo entre os pedaços de áudio enviados precisa ser reduzido. Se o recurso "Texto por fala" não receber um novo bloco a cada poucos segundos, ele fecha a conexão e gera esse erro.

StreamingRecognize 409 abortado

  • Problema:você recebe o erro 409 Max duration of 5 minutes reached for stream.

  • Solução:você está atingindo o limite de reconhecimento de streaming de cinco minutos de áudio. Quando você estiver chegando a esse limite, feche o stream e abra um novo.

Qualidade da transcrição baixa

O reconhecimento automático de fala (ASR) oferece suporte a uma ampla variedade de casos de uso. A maioria dos problemas de qualidade pode ser resolvida testando diferentes opções de API. Para melhorar a precisão do reconhecimento, siga as diretrizes em Práticas recomendadas.

Frases curtas não são reconhecidas

  • Problema: as falas curtas do usuário final, como Sim, Não e Próxima, não são capturadas pela API e estão ausentes na transcrição.

  • Solução: siga estas etapas.

    1. Teste a mesma solicitação com diferentes modelos.

    2. Adicione a adaptação de fala e otimize palavras ausentes.

    3. Se você estiver usando entrada de streaming, tente definir single_utterance=true.

Palavra ou frase não reconhecida

  • Problema: algumas palavras ou frases são reconhecidas incorretamente, como a sendo reconhecida como 8.

  • Solução: siga estas etapas.

    1. Teste a mesma solicitação com diferentes modelos.

    2. Adicione a adaptação de fala e otimize palavras ausentes. É possível usar tokens de classe para aumentar conjuntos inteiros de palavras, como sequências de dígitos ou endereços. Confira os tokens de classe disponíveis.

    3. Aumente o valor de max_alternatives. Em seguida, verifique SpeechRecognitionResult alternatives e escolha o primeiro que corresponde ao formato desejado.

A formatação pode ser um desafio para a ASR. A adaptação de fala pode ajudar a conseguir um formato necessário, mas o pós-processamento pode ser necessário para se ajustar ao formato necessário.

Entradas de vários idiomas ou misturadas

  • Problema: o áudio contém falas em vários idiomas, como uma conversa entre um falante de inglês e um falante de espanhol, resultando na transcrição errada.

  • Solução: esse recurso não está disponível. A Conversão de voz em texto pode transcrever apenas um idioma por solicitação.

Permissão negada

  • Problema:você recebe o seguinte erro.

    Permission denied to access GCS object BUCKET-PATH.
Source error: PROJECT-ID@gcp-sa-speech.iam.gserviceaccount.com does not have
storage.buckets.get access to the Google Cloud Storage bucket.
Permission 'storage.buckets.get' denied on resource (or it may not exist).

  • Solução:conceda permissão para PROJECT_ID@gcp-sa-speech.iam.gserviceaccount.com acessar o arquivo no bucket BUCKET-PATH.

Argumento inválido

  • Problema:você recebe o seguinte erro.

    {
  "error": {
    "code": 400,
    "message": "Request contains an invalid argument.",
    "status": "INVALID_ARGUMENT"
  }
}

  • Solução:verifique os argumentos e compare-os com a documentação da API. Em seguida, valide se eles estão corretos. Verifique se o endpoint selecionado corresponde ao local na solicitação / recurso.

Recurso esgotado

Bloco de streaming muito grande

  • Problema:você recebe o seguinte erro.

    INVALID_ARGUMENT: Request audio can be a maximum of 10485760 bytes. 
[type.googleapis.com/util.MessageSetPayload='[google.rpc.error_details_ext] 
{ message: "Request audio can be a maximum of 10485760 bytes." }']

  • Solução:é necessário diminuir o tamanho dos fragmentos de áudio enviados. Recomendamos enviar blocos de 100 ms para ter a melhor latência e evitar o limite de áudio.

Geração de registros de dados

  • Problema:o recurso "Transcrição de voz" não oferece nenhum registro do Cloud.

  • Solução:como o Speech-to-Text tem a geração de registros de dados desativada por padrão, os clientes precisam ativá-la no nível do projeto.